DOI: https://doi.org/10.1007/s44311-026-00050-y
تاريخ النشر: 2026-06-19
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: نمذجة وتحليل العمليات التجارية
نظرة عامة
تقدم ورقة البحث إطارًا جديدًا لرصد العمليات التنبؤية، مع معالجة التباين وعدم اليقين المتأصلين في العمليات التجارية. يقدم نموذجًا قائمًا على الشجرة يسمى BEST، والذي يستخدم هيكلًا هرميًا من التتبع الفرعي المتوسع ثنائي الاتجاه المشتق من تتبع الأنشطة. تم تصميم هذا النموذج للتنبؤ بالأنشطة التالية والتتبع المتبقي بشكل أكثر كفاءة من طرق التعلم العميق التقليدية، التي كانت النهج المفضل في السنوات الأخيرة. يجادل المؤلفون بأن انخفاض تعقيد نموذج BEST يسمح له بتحقيق نتائج تنبؤية تنافسية، وغالبًا ما يتجاوز تقنيات التعلم العميق المتطورة في سجلات أحداث العمليات الحقيقية المختلفة مع الاعتماد فقط على معلومات تدفق التحكم المتاحة.
في الختام، يبرز المؤلفون الأداء التنبؤي المتفوق لـ BEST في توقع التتبع المتبقي مقارنة بأساليب التعلم العميق المعمول بها، مؤكدين على أوقات التدريب الأسرع بشكل ملحوظ. يلتقط النموذج ديناميكيات داخل التتبع بشكل فعال من خلال استخدام نماذج متخصصة مصممة لمراحل مختلفة من الحالات الجارية. تشمل التقييمات التجريبية مقياس احتمال مرجح لاختيار الأنماط، موضحة التوازن بين حدوث الأنماط المحلية والعالمية، فضلاً عن تأثير استراتيجيات التقليم على الكفاءة. بشكل عام، تُظهر الدراسة أن BEST هو بديل خفيف الوزن وفعال لمهام رصد العمليات التنبؤية، تم التحقق منه من خلال تحليل شامل للوقت الفعلي ومقارنات مع التقنيات الحالية.
مقدمة
في مجال رصد العمليات التنبؤية (PPM)، تعتبر إنشاء نماذج تنبؤية مدركة للبيانات التي تقدم رؤى حول محركات تنفيذ العمليات ومؤشرات الأداء الرئيسية (KPIs) مثل معدلات الخردة وأوقات الإنتاج تحديًا كبيرًا. تتطلب التعقيدات وعدم اليقين المتأصلين في العمليات التجارية توصيات قوية، لا سيما فيما يتعلق بتسلسل ووقوع الأنشطة، والتي تعتبر أساسية لنتائج العمليات. شهدت التطورات الأخيرة في PPM زيادة في المساهمات من مجالات تحليلات البيانات المختلفة، لا سيما في توقع النشاط التالي وتوقع التتبع المتبقي، وغالبًا ما تستخدم تقنيات التعلم العميق. ومع ذلك، تفترض هذه الورقة أن الأساليب التقليدية في PPM لا تزال تحمل إمكانات غير مستغلة.
لاستكشاف هذه الإمكانية، يقدم المؤلفون إطارًا جديدًا يستخدم هيكلًا هرميًا من التتبع الفرعي المتوسع ثنائي الاتجاه، مقترنًا بخوارزمية توقع تعتمد على مسافات الأنماط المحلية والعالمية. تم تصميم هذا الإطار خصيصًا لتوقع التتبع المتبقي، حيث يتم توليد التوقعات ديناميكيًا طوال تنفيذ الحالات الجارية مع مراعاة طول تسلسل الماضي. تشمل المساهمات الرئيسية تطوير هيكل شجرة هرمي لأنماط الأنشطة، وخوارزمية توقع تستخدم احتمالات حدوث الأنماط الشرطية، وإجراء اختيار مرن لتحسين المعلمات. تُظهر الطريقة المقترحة نتائج واعدة، وغالبًا ما تتفوق على نماذج التعلم العميق المتطورة في أداء التوقع مع الاعتماد فقط على معلومات تدفق التحكم. بالإضافة إلى ذلك، تتضمن الورقة تقييمًا شاملاً يقارن بين أوقات التدريب والاستدلال مع التقنيات الحالية للتعلم العميق ويناقش تأثير طرق التقليم على توليد الشجرة.
مناقشة
في هذا القسم، يضع المؤلفون أبحاثهم حول توقع الأنشطة في سياق أوسع من المنهجيات الحالية، مع التركيز بشكل خاص على التعلم العميق والأساليب المعتمدة على الأنماط. يشيرون إلى اتجاه كبير نحو استخدام الشبكات العصبية المتكررة (RNNs)، وخاصة الشبكات ذات الذاكرة طويلة وقصيرة الأجل (LSTM)، لمهام مثل توقع النشاط التالي وتوقع التتبع المتبقي. يتم تسليط الضوء على المساهمات الرئيسية من مختلف الباحثين، حيث يقدم Rama-Maneiro وآخرون تقييمًا شاملاً لهذه التقنيات، مما يكشف أن بعض النماذج تتفوق في توقع تسلسلات الأنشطة المتبقية الكاملة بينما تكون أخرى أكثر فعالية في توقع الأنشطة التالية الفورية. يقارن المؤلفون نهجهم، الذي يستخدم أنماط التتبع الفرعي المتوسع ثنائي الاتجاه، مع الهياكل الأكثر تعقيدًا مثل تلك التي اقترحها Wuyts وآخرون، والتي، على الرغم من مزايا أدائها، تتطلب تكاليف حسابية أعلى.
تتناول المناقشة أيضًا تعدين الأنماط التسلسلية، حيث يتم فحص الأعمال الحالية في تعدين العمليات والحقول ذات الصلة. يميز المؤلفون طريقتهم عن الآخرين، مثل النهج القائم على شجرة القرار من قبل Ceci وآخرين، من خلال التأكيد على تركيزهم على أنماط التتبع الفرعي بدلاً من إجراءات التدريب المعتمدة على الانتروبيا. يعترفون بمساهمات الباحثين السابقين في تعدين الأنماط الهرمية لكن يوضحون أن عملهم يهتم بشكل أساسي بتوقع العمليات بدلاً من مهام الاكتشاف. بالإضافة إلى ذلك، يشيرون إلى العمل الأساسي الذي قام به van der Aalst وآخرون حول أنظمة الانتقال المشروحة (ATS) للتوقعات المتعلقة بالوقت، مشيرين إلى أنه على الرغم من وجود تشابهات، إلا أن تركيزهم يبقى على توقع تسلسلات الأنشطة المستقبلية بدلاً من التوقيت. بشكل عام، يضع المؤلفون أبحاثهم كمساهمة جديدة في هذا المجال، مستفيدين من الهياكل الهرمية وتعدين الأنماط الديناميكية لتعزيز دقة التوقع في إدارة العمليات التجارية.
القيود
ت outlines قسم القيود عدة تحديات تواجه إطار عمل BEST في توقع الأنشطة التالية ضمن تعدين العمليات. تشير التحليلات إلى أن BEST يعمل بشكل أمثل عند استخدام أنماط أصغر، حيث تميل الأنماط الأكبر إلى تحويل التركيز بعيدًا عن الأنشطة التالية الفورية نحو تلك التي تكون أبعد في التسلسل. يُعزى ذلك إلى الاعتماد على الاحتمالات الشرطية للأنماط الممتدة، والتي قد لا تتماشى جيدًا مع احتياجات التوقع الفورية. لمعالجة ذلك، ستستكشف الأعمال المستقبلية توسيعات أنماط التتبع الفرعي غير المتماثلة التي تتضمن بادئات أطول و1-لاحقات، مما يعزز قدرة النموذج على توقع الأنشطة التالية مع مراعاة سياق أوسع.
بالإضافة إلى ذلك، يعترف المؤلفون بأن BEST مصمم بشكل أساسي لتوقع الأنشطة ويقترحون دمج معلومات الأحداث التكميلية أثناء التدريب والاستدلال. يمكن أن توسع هذه التحسينات من قابلية تطبيق BEST على مهام التوقع الأخرى ضمن تعدين العمليات، مثل توقع السمات أو النتائج. كما يخطط المؤلفون لتحسين طريقة التقسيم الخاصة بهم لمراحل العملية، حيث أدت الأساليب الحالية إلى تحسينات غير متسقة عبر مجموعات البيانات. من خلال دمج سمات الأحداث واستكشاف تجريدات الأحداث أو النمذجة الهرمية، يهدفون إلى توضيح مراحل العملية المتماسكة بشكل أفضل والتخفيف من الآثار السلبية للتقسيم غير المناسب.
DOI: https://doi.org/10.1007/s44311-026-00050-y
Publication Date: 2026-06-19
Author(s): Zhenyun Du et al.
Primary Topic: Business Process Modeling and Analysis
Overview
The research paper presents a novel framework for predictive process monitoring, addressing the inherent variability and uncertainty in business processes. It introduces a tree-based model named BEST, which utilizes a hierarchical structuring of bilaterally expanding subtraces derived from activity traces. This model is designed to predict next activities and remaining traces more efficiently than traditional deep learning methods, which have been the preferred approach in recent years. The authors argue that BEST’s lower model complexity allows it to achieve competitive forecasting results, often surpassing state-of-the-art deep learning techniques on various real-world benchmark process event logs while relying solely on available control-flow information.
In the conclusion, the authors highlight BEST’s superior predictive performance for remaining trace prediction compared to established deep learning methods, emphasizing its significantly faster training times. The model effectively captures intra-trace dynamics by employing specialized models tailored to different stages of ongoing cases. The empirical evaluation includes a weighted probability metric for pattern selection, illustrating the balance between local and global pattern occurrences, as well as the impact of pruning strategies on efficiency. Overall, the study demonstrates that BEST is a lightweight and efficient alternative for predictive process monitoring tasks, validated through comprehensive runtime analysis and comparisons with existing techniques.
Introduction
In the realm of Predictive Process Monitoring (PPM), a significant challenge is the creation of data-aware predictive models that provide insights into process execution drivers and key performance indicators (KPIs) such as scrap rates and throughput times. The complexity and uncertainty inherent in business processes necessitate robust recommendations, particularly regarding the sequence and occurrence of activities, which are fundamental to process outcomes. Recent advancements in PPM have seen a surge in contributions from various data analytics domains, particularly in Next Activity Prediction and Remaining Trace Prediction, often utilizing deep learning techniques. However, this paper posits that traditional methods in PPM still hold untapped potential.
To explore this potential, the authors introduce a novel framework that employs a hierarchical structure of bilaterally expanding activity subtraces, coupled with a forecasting algorithm based on local and global pattern distances. This framework is specifically designed for Remaining Trace Prediction, dynamically generating predictions throughout the execution of ongoing cases while considering the past sequence length. Key contributions include the development of a hierarchical tree structure for activity patterns, a prediction algorithm that utilizes conditional pattern occurrence probabilities, and a flexible selection procedure for hyperparameter optimization. The proposed approach demonstrates promising results, often outperforming state-of-the-art deep learning models in prediction performance while relying solely on control-flow information. Additionally, the paper includes a comprehensive evaluation comparing training and inference durations with existing deep learning techniques and discusses the impact of pruning methods on tree generation.
Discussion
In this section, the authors contextualize their research on activity prediction within the broader landscape of existing methodologies, particularly emphasizing deep learning and pattern-based approaches. They note a significant trend towards using recurrent neural networks (RNNs), especially long short-term memory (LSTM) networks, for tasks such as Next Activity Prediction and Remaining Trace Prediction. Key contributions from various researchers are highlighted, with Rama-Maneiro et al. providing a comprehensive evaluation of these techniques, revealing that certain models excel in predicting complete remaining activity sequences while others are more effective for immediate next activity predictions. The authors contrast their approach, which utilizes bilaterally expanding subtrace patterns, with more complex architectures like those proposed by Wuyts et al., which, despite their performance advantages, incur higher computational costs.
The discussion also touches on sequential pattern mining, where existing work in process mining and related fields is examined. The authors differentiate their method from others, such as the decision tree-based approach by Ceci et al., by emphasizing their focus on subtrace patterns rather than entropy-based training procedures. They acknowledge the contributions of previous researchers in hierarchical pattern mining but clarify that their work is primarily concerned with process prediction rather than discovery tasks. Additionally, they reference foundational work by van der Aalst et al. on Annotated Transition Systems (ATS) for time-related predictions, noting that while there are similarities, their focus remains on predicting future activity sequences rather than timing. Overall, the authors position their research as a novel contribution to the field, leveraging hierarchical structures and dynamic pattern mining to enhance prediction accuracy in business process management.
Limitations
The section on limitations outlines several challenges faced by the BEST framework in predicting next activities within process mining. The analysis indicates that BEST performs optimally when utilizing smaller patterns, as larger patterns tend to shift focus away from immediate next activities towards those further in the sequence. This is attributed to the reliance on conditional probabilities of extended patterns, which may not align well with the immediate prediction needs. To address this, future work will explore asymmetrical subtrace pattern extensions that incorporate longer prefixes and 1-suffixes, thereby enhancing the model’s ability to predict next activities while considering a broader context.
Additionally, the authors recognize that BEST is primarily tailored for activity prediction and propose incorporating supplementary event information during training and inference. This enhancement could broaden BEST’s applicability to other prediction tasks within process mining, such as attribute or outcome prediction. The authors also plan to refine their slicing method for process stages, as current approaches have yielded inconsistent improvements across datasets. By integrating event attributes and exploring event abstractions or hierarchical modeling, they aim to better delineate coherent process phases and mitigate the negative impacts of inappropriate slicing.